TEORÍA DE MUESTREO Ojo

UNIVERSIDAD PERUANA LOS ANDES – SEDE SATIPO
UNIDAD DE EJECUCION CURRICULAR DE INVESTIGACION DE MERCADOS.

DOCENTE: Lic. Adm. Gustavo A. Díaz Chacón
=============================================================================
TEORÍA DE MUESTREO
I. Introducción
Una parte fundamental para realizar un estudio estadístico de cualquier tipo es obtener unos
resultados confiables y que puedan ser aplicables. Como ya se comentó anteriormente, resulta
casi imposible o impráctico llevar a cabo algunos estudios sobre toda una población, por lo que
la solución es llevar a cabo el estudio basándose en un subconjunto de ésta denominada
muestra.
Sin embargo, para que los estudios tengan la validez y confiabilidad buscada es necesario que
tal subconjunto de datos, o muestra, posea algunas características específicas que permitan, al
final, generalizar los resultados hacia la población en total. Esas características tienen que ver
principalmente con el tamaño de la muestra y con la manera de obtenerla.
En las siguientes secciones de esta unidad lo comentaremos.
2. Importancia del muestreo
A lo largo del curso se hacen uso de dos tipos de razonamiento: el deductivo y el inductivo. El
primero está relacionado directamente con la teoría de probabilidad, que se aborda en la unidad
4, y que a partir de las características de la población se obtienen las posibles características de
una muestra. El segundo tipo de razonamiento se relaciona con la denominada inferencia
estadística: utilizar las características de un subconjunto de la población (la muestra) para hacer
afirmaciones (inferir) sobre la población en general. Éste será el caso de esta unidad.
El muestro, como ya se mencionó, implica algo de incertidumbre que debe ser aceptada para
poder realizar el trabajo, pues aparte de que estudiar una población resulta ser un trabajo en
ocasiones demasiado grande, Wonnacott y Wonnacott ofrecen las siguientes razones extras:
 Recursos limitados. Es decir, no existen los recursos humanos, materiales o

económicos para realizar el estudio sobre el total de la población. Es como cuando se
compra un aparato, un automóvil usado (por ejemplo), que se prueba unos minutos (el
encendido, una carrerita, etc.) para ver si funciona correctamente y luego se adquiere,
pero no se espera a probarlo toda la vida (encendiéndolo y apagándolo o, simplemente,
dejándolo encendida) antes de realizar la adquisición.
 Escasez. Es el caso en que se dispone de una sola muestra. Por ejemplo, para el estudio
paleontológico de los dinosaurios (el T. Rex por ejemplo) sería muy bueno contar con,
al menos, muchos restos fósiles y así realizar tales investigaciones; sin embargo, se
cuenta sólo con una docena de esqueletos fosilizados (casi todos incompletos) de esas
criaturas en todo el mundo.
 Pruebas destructivas. Es el caso en el que realizar el estudio sobre toda la población

llevaría a la destrucción misma de la población. Por ejemplo, si se quisiese saber el
conteo exacto de hemoglobina de una persona habría que extraerle toda la sangre.
 El muestreo puede ser más exacto. Esto es en el caso en el que el estudio sobre la
población total puede causar errores por su tamaño o, en el caso de los censos, que sea
necesario utilizar personal no lo suficientemente capacitado; mientras que, por otro
lado, el estudio sobre una muestra podría ser realizada con menos personal pero más
capacitado.
1
=============================================================================
Ya que hemos mencionado la necesidad de realizar muestras, continuaremos con algunas
características que deben tener éstas para que, realmente, se puedan realizar inferencias
(inducciones) sobre ellas hacia la población total.
3. Tamaño de las muestras
Para calcular el tamaño de una muestra hay que tomar en cuenta tres factores:
1. El porcentaje de confianza con el cual se quiere generalizar los datos desde la muestra
hacia la población total.
2. El porcentaje de error que se pretende aceptar al momento de hacer la generalización.
3. El nivel de variabilidad que se calcula para comprobar la hipótesis.
La confianza o el porcentaje de confianza es el porcentaje de seguridad que existe para

generalizar los resultados obtenidos. Esto quiere decir que un porcentaje del 100% equivale a
decir que no existe ninguna duda para generalizar tales resultados, pero también implica
estudiar a la totalidad de los casos de la población.
Para evitar un costo muy alto para el estudio o debido a que en ocasiones llega a ser
prácticamente imposible el estudio de todos los casos, entonces se busca un porcentaje de
confianza menor. Comúnmente en las investigaciones sociales se busca un 95%.
El error o porcentaje de error equivale a elegir una probabilidad de aceptar una hipótesis que
sea falsa como si fuera verdadera, o la inversa: rechazar a hipótesis verdadera por considerarla
falsa. Al igual que en el caso de la confianza, si se quiere eliminar el riesgo del error y
considerarlo como 0%, entonces la muestra es del mismo tamaño que la población, por lo que
conviene correr un cierto riesgo de equivocarse.
Comúnmente se aceptan entre el 4% y el 6% como error, tomando en cuenta de que no son

complementarios la confianza y el error.
La variabilidad es la probabilidad (o porcentaje) con el que se aceptó y se rechazó la hipótesis

que se quiere investigar en alguna investigación anterior o en un ensayo previo a la
investigación actual. El porcentaje con que se aceptó tal hipótesis se denomina variabilidad
positiva y se denota por p, y el porcentaje con el que se rechazó se la hipótesis es la
variabilidad megativa, denotada por q.
Hay que considerar que p y q son complementarios, es decir, que su suma es igual a la unidad:
p+q=1. Además, cuando se habla de la máxima variabilidad, en el caso de no existir
antecedentes sobre la investigación (no hay otras o no se pudo aplicar una prueba previa),
entonces los valores de variabilidad es p=q=0.5.
Una vez que se han determinado estos tres factores, entonces se puede calcular el tamaño de la
muestra como a continuación se expone.
Hablando de una población de alrededor de 10,000 casos, o mínimamente esa cantidad,

podemos pensar en la manera de calcular el tamaño de la muestra a través de las siguientes
fórmulas. Hay que mencionar que estas fórmulas se pueden aplicar de manera aceptable
pensando en instrumentos que no incluyan preguntas abiertas y que sean un total de alrededor
de 30.
1
=============================================================================
Vamos a presentar dos fórmulas, siendo la primera la que se aplica en el caso de que no se
conozca con precisión el tamaño de la población, y es:
donde:
n es el tamaño de la muestra.

Z es el nivel de confianza.
p es la variabilidad positiva.
q es la variabilidad negativa.
E es la precisión o error.
Hay que tomar nota de que debido a que la variabilidad y el error se pueden expresar por medio
de porcentajes, hay que convertir todos esos valores a proporciones en el caso necesario.
También hay que tomar en cuenta que el nivel de confianza no es ni un porcentaje, ni la

proporción que le correspondería, a pesar de que se expresa en términos de porcentajes. El nivel
de confianza se obtiene a partir de la distribución normal estándar, pues la proporción
correspondiente al porcentaje de confianza es el área simétrica bajo la curva normal que se toma
como la confianza, y la intención es buscar el valor Z de la variable aleatoria que corresponda a
tal área.
Por ejemplo: Si se quiere un porcentaje de confianza del 95%, entonces hay que
considerar la proporción correspondiente, que es 0.95. Lo que se buscaría en seguida es el valor
Z para la variable aleatoria z tal que el área simétrica bajo la curva normal desde -Z hasta Z sea
igual a 0.95, es decir, P(-Z<z<Z)=0.95.
Utilizando las tablas, o la función DISTR.NORM.ESTAND.INV() del Excel, se puede calcular

el valor de Z, que sería 1.96 (con una aproximación a dos decimales).
Esto quiere decir que P(-1.96<z<1.96)=0.95.
En el caso de que sí se conozca el tamaño de la población entonces se aplica la siguiente

fórmula:
Donde:
n es el tamaño de la muestra.

Z es el nivel de confianza.
p es la variabilidad positiva.
1
=============================================================================
q es la variabilidad negativa.
N es el tamaño de la población.
E es la precisión o el error.
La ventaja sobre la primera fórmula es que al conocer exactamente el tamaño de la población,

el tamaño de la muestra resulta con mayor precisión y se pueden incluso ahorrarse recursos y
tiempo para la aplicación y desarrollo de una investigación.
Por ejemplo: En el Colegio de Bachilleres, una institución de nivel medio superior, se desea
realizar una investigación sobre los alumnos inscritos en primer y segundo años, para lo cual se
aplicará un cuestionario de manera aleatoria a una muestra, pues los recursos económicos y el
tiempo para procesar la información resultaría insuficiente en el caso de aplicársele a la
población estudiantil completa.
En primera instancia, suponiendo que no se conoce el tamaño exacto de la población, pero con
la seguridad de que ésta se encuentra cerca a los diez millares, se aplicará la primera fórmula.
Se considerará una confianza del 95%, un porcentaje de error del 5% y la máxima variabilidad
por no existir antecedentes en la institución sobre la investigación y porque no se puede aplicar
una prueba previa.
Primero habrá que obtener el valor de Z de tal forma que la confianza sea del 95%, es decir,
buscar un valor de Z tal que P(-Z<z<Z)=0.95. Utilizando las tablas o las funciones de Excel se
pueden obtener, o viendo (en este caso) el ejemplo anterior, resulta que Z=1.96.
De esta manera se realiza la sustitución y se obtiene:
Esto quiere decir que el tamaño de la muestra es de 385 alumnos.
Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9,408,

entonces se aplicará la segunda fórmula. Utilizando los mismos parámetros la sustitución queda
como:
Con lo que se tiene una cota mínima de 370 alumnos para la muestra y así poder realizar la
investigación sin más costo del necesario, pero con la seguridad de que las condiciones
aceptadas para la generalización (confiabilidad, variabilidad y error) se mantienen.

TEORÍA DE MUESTREO Ojo

Cargado por

Copyright:

Formatos disponibles

TEORÍA DE MUESTREO Ojo

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TEORÍA DE MUESTREO Ojo

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD PERUANA LOS ANDES – SEDE SATIPO

UNIDAD DE EJECUCION CURRICULAR DE INVESTIGACION DE MERCADOS.

En las siguientes secciones de esta unidad lo comentaremos.

2. Importancia del muestreo

 Recursos limitados. Es decir, no existen los recursos humanos, materiales o

 Pruebas destructivas. Es el caso en el que realizar el estudio sobre toda la población

3. Tamaño de las muestras

3. El nivel de variabilidad que se calcula para comprobar la hipótesis.

La confianza o el porcentaje de confianza es el porcentaje de seguridad que existe para

Comúnmente se aceptan entre el 4% y el 6% como error, tomando en cuenta de que no son

La variabilidad es la probabilidad (o porcentaje) con el que se aceptó y se rechazó la hipótesis

Hablando de una población de alrededor de 10,000 casos, o mínimamente esa cantidad,

n es el tamaño de la muestra.

También hay que tomar en cuenta que el nivel de confianza no es ni un porcentaje, ni la

Utilizando las tablas, o la función DISTR.NORM.ESTAND.INV() del Excel, se puede calcular

Esto quiere decir que P(-1.96<z<1.96)=0.95.

En el caso de que sí se conozca el tamaño de la población entonces se aplica la siguiente

n es el tamaño de la muestra.

La ventaja sobre la primera fórmula es que al conocer exactamente el tamaño de la población,

De esta manera se realiza la sustitución y se obtiene:

Esto quiere decir que el tamaño de la muestra es de 385 alumnos.

Supongamos ahora que sí se conoce el tamaño de la población estudiantil y es de 9,408,

También podría gustarte